跳到正文

Seed-TTS

字节跳动的大规模自回归语音合成模型系列

访问官网

Seed-TTS 是什么

技术报告页把 Seed-TTS 介绍为字节跳动推出的一系列大规模自回归文本到语音模型。报告称其语音与人类语音难以区分,在语音上下文学习、说话人相似度和自然度方面表现出众。报告还描述了用于语音分解的自蒸馏方法、用于提升鲁棒性、说话人相似度与控制性的强化学习,以及非自回归变体 Seed-TTSDiT——后者采用完全基于扩散的架构,不依赖预先估计的音素时长。

你可以用它做什么

  • 为语音助手生成自然语音
  • 为有声读物生成流畅朗读
  • 研究可控且鲁棒的语音生成

需要留意什么

  • 资料称微调后主观评分可进一步提升
  • 记录的步骤包含注册并获取 API 访问权限

优点与缺点

✓ 我们认可的地方

  • 模型系列与变体写有技术细节
  • 点名了情感等属性的控制
  • 同时覆盖自回归与扩散两条路线

! 需要留意的地方

  • 资料未公布托管端点、价格或许可
  • 性能表述来自作者自己的评估
  • 未涉及模仿说话人的同意问题

常见问题

Seed-TTSDiT 是什么?

报告描述为采用完全基于扩散架构的非自回归变体。

哪些属性被说成可控?

报告点名情感等语音属性。

有公开接口吗?

步骤提到 API 访问,但资料没有给出端点或条款。

最后评测: 2026-11-15

更多 AI 音频工具 工具

查看全部 →

评测方法